論文の概要: FAKEPCD: Fake Point Cloud Detection via Source Attribution

• arxiv url: http://arxiv.org/abs/2312.11213v1
• Date: Mon, 18 Dec 2023 14:03:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 19:54:54.956397
• Title: FAKEPCD: Fake Point Cloud Detection via Source Attribution
• Title（参考訳）: FAKEPCD:ソース属性によるフェイクポイントクラウド検出
• Authors: Yiting Qu, Zhikun Zhang, Yun Shen, Michael Backes, Yang Zhang
• Abstract要約: そこで本研究では,FAKEPCDという属性・フレームワークを用いて,それぞれの生成モデルにポイント・クラウドを属性付けする手法を提案する。 本研究では,4つの属性シナリオを定式化し,各シナリオにおいてFAKEPCDの性能を評価する。 実験では、異なるシナリオにおけるソース属性に対するFAKEPCDの有効性を示す。
• 参考スコア（独自算出の注目度）: 37.72007982841775
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To prevent the mischievous use of synthetic (fake) point clouds produced by generative models, we pioneer the study of detecting point cloud authenticity and attributing them to their sources. We propose an attribution framework, FAKEPCD, to attribute (fake) point clouds to their respective generative models (or real-world collections). The main idea of FAKEPCD is to train an attribution model that learns the point cloud features from different sources and further differentiates these sources using an attribution signal. Depending on the characteristics of the training point clouds, namely, sources and shapes, we formulate four attribution scenarios: close-world, open-world, single-shape, and multiple-shape, and evaluate FAKEPCD's performance in each scenario. Extensive experimental results demonstrate the effectiveness of FAKEPCD on source attribution across different scenarios. Take the open-world attribution as an example, FAKEPCD attributes point clouds to known sources with an accuracy of 0.82-0.98 and to unknown sources with an accuracy of 0.73-1.00. Additionally, we introduce an approach to visualize unique patterns (fingerprints) in point clouds associated with each source. This explains how FAKEPCD recognizes point clouds from various sources by focusing on distinct areas within them. Overall, we hope our study establishes a baseline for the source attribution of (fake) point clouds.
• Abstract（参考訳）: 生成モデルによる合成(フェイク)点雲の誤用を防止するため,点雲の真正性の検出とそれらの発生源への帰属に関する研究の先駆者となる。 本研究では,それぞれの生成モデル(あるいは実世界のコレクション)に点雲を属性付けるための属性フレームワークFAKEPCDを提案する。 FAKEPCDの主な考え方は、異なるソースからポイントクラウドの特徴を学習する属性モデルをトレーニングし、属性信号を使用してこれらのソースを識別することである。 トレーニングポイント雲の特徴,すなわちソースと形状によって,近接世界,オープン世界,単一形状,複数形状の4つの属性シナリオを定式化し,各シナリオにおけるFAKEPCDの性能を評価する。 FAKEPCDが様々なシナリオにおけるソース属性に与える影響を実験的に検証した。 FAKEPCDの属性は、0.82-0.98の精度で既知のソースに点雲を向け、0.73-1.00の精度で未知のソースに向ける。 さらに、各ソースに関連付けられた点雲におけるユニークなパターン(指紋)を可視化するアプローチを導入する。 これにより、fakepcdがさまざまなソースからポイントクラウドを認識する方法が説明される。 全体として、我々の研究が(偽)点雲の源泉属性の基準となることを願っている。

関連論文リスト

• Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities [88.398085358514]
  Contrastive Deepfake Embeddings (CoDE)は、ディープフェイク検出に特化した新しい埋め込み空間である。 CoDEは、グローバルローカルな類似性をさらに強化することで、対照的な学習を通じて訓練される。
  論文  参考訳（メタデータ） (2024-07-29T18:00:10Z)
• PointRegGPT: Boosting 3D Point Cloud Registration using Generative Point-Cloud Pairs for Training [90.06520673092702]
  生成点クラウドペアを用いた3Dポイントクラウドの登録をトレーニングのために促進するPointRegGPTを提案する。 我々の知る限り、これは屋内のクラウド登録のためのリアルなデータ生成を探求する最初の生成的アプローチである。
  論文  参考訳（メタデータ） (2024-07-19T06:29:57Z)
• Self-supervised 3D Point Cloud Completion via Multi-view Adversarial Learning [61.14132533712537]
  我々は、オブジェクトレベルとカテゴリ固有の幾何学的類似性の両方を効果的に活用するフレームワークであるMAL-SPCを提案する。 私たちのMAL-SPCは3Dの完全な監視を一切必要とせず、各オブジェクトに1つの部分点クラウドを必要とするだけです。
  論文  参考訳（メタデータ） (2024-07-13T06:53:39Z)
• InvariantOODG: Learning Invariant Features of Point Clouds for Out-of-Distribution Generalization [17.96808017359983]
  本稿では,異なる分布を持つ点雲間の不変性を学習するInvariantOODGを提案する。 学習可能なアンカーポイントの集合を定義し、最も有用な局所領域と入力点の雲を増大させる2種類の変換を定義する。 実験により,提案モデルが3次元領域一般化ベンチマークに与える影響を実証した。
  論文  参考訳（メタデータ） (2024-01-08T09:41:22Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• Point-Syn2Real: Semi-Supervised Synthetic-to-Real Cross-Domain Learning for Object Classification in 3D Point Clouds [14.056949618464394]
  LiDAR 3Dポイントクラウドデータを用いたオブジェクト分類は、自律運転のような現代的なアプリケーションにとって重要である。 本稿では,ポイントクラウドのマニュアルアノテーションに依存しない半教師付きクロスドメイン学習手法を提案する。 我々は、ポイントクラウド上でのクロスドメイン学習のための新しいベンチマークデータセットであるPoint-Syn2Realを紹介した。
  論文  参考訳（メタデータ） (2022-10-31T01:53:51Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• OMNet: Learning Overlapping Mask for Partial-to-Partial Point Cloud Registration [31.108056345511976]
  OMNetは、部分から部分へのポイントクラウド登録のためのグローバル機能ベースの反復ネットワークです。 マスクを粗雑に学習し,重複しない領域を拒絶し,部分から部分への登録を同一形状の登録に変換する。
  論文  参考訳（メタデータ） (2021-03-01T11:59:59Z)
• Learning to Recognize Patch-Wise Consistency for Deepfake Detection [39.186451993950044]
  パッチワイド一貫性学習(PCL)という,このタスクのための表現学習手法を提案する。 PCLは、画像のソース機能の一貫性を測定し、複数の偽造方法に対する優れた解釈性と堅牢性で表現することを学びます。 7つの一般的なDeepfake検出データセットに対するアプローチを評価します。
  論文  参考訳（メタデータ） (2020-12-16T23:06:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。